ANALITYKA BIG DATA BIZNES

AI, uczenie maszynowe, Big Data: które branże przeobrażą najbardziej?

Historycznie patrząc nowe technologie, w miarę jak stawały się łatwe w zastosowaniu i powszechnie dostępne, zmieniały całe branże i przemysły – w sposób często wykraczający poza przewidywania ekspertów i wizjonerów. Warto obecnie przyjrzeć się faktycznemu zaawansowaniu i stosowalności technologii przetwarzania ogromnych zbiorów danych (Big Data), uczenia maszynowego i sztucznej inteligencji (AI). Niektóre branże obecnej gospodarki mogą wykazywać lepszą zdolność do adaptacji tych technologii niż pozostałe, zmieniając się przez to bardziej dynamicznie.

W miarę upowszechniania się technik uczenia maszynowego stają się one coraz częstszym elementem codziennego życia. Takie dziedziny biznesu jak podnoszenie efektywności pracy, efektywności komunikacji z klientem czy analiza emocjonalnego przywiązania konsumentów do marek, produktów czy usług już dość powszechne zaadaptowały uczenie maszynowe. Jak w przypadku wielu technologii przechodzących przez fazę euforycznych, często nie zweryfikowanych w realiach biznesowych oczekiwań, zastosowania coraz szerzej dostępnych rozwiązań wykorzystujących sztuczną inteligencję czy uczenie maszynowe zdają się nie mieć granic. Obserwować możemy prawdziwą różnorodność publikowanych analiz i raportów ukazujących trendy i skutki dla różnych branż w różnych horyzontach czasowych.

Gartner przewiduje, że:

W nawiązaniu do ostatniego punktu wg Accenture sztuczna inteligencja znacznie wpłynie na produktywność pracy i do 2035 roku produktywność ma wzrosnąć o 40%. Jednak wykazywany we wspomnianych analizach postęp nie jest jednakowy we wszystkich branżach i sektorach gospodarki. Nie wszystkie dziedziny są jednakowo przygotowane na adopcję technologii sztucznej inteligencji i są branże, które wykazują zdecydowanie większy potencjał w ich wykorzystaniu.

Ochrona zdrowia

Cały sektor zdrowotny wymaga naprawy, i jest to opinia jaką spotykamy niezależnie od kraju, od Stanów Zjednoczonych po kraje rozwijające się. Najwięcej nowych trendów i rozwiązań zaobserwować możemy oczywiście na rynku amerykańskim. W technologiach Big Data, uczeniu maszynowym i algorytmach sztucznej inteligencji upatruje się metod na podniesienie efektywności samego leczenia pacjentów jak i całego systemu.

Personalizacja. Pierwszym ważnym kierunkiem jest wykorzystanie ogromnego źródła danych o naszym zdrowiu jakim mogą być smartfony oraz inne urządzenia mobilne mierzące parametry życiowe i zbierające na bieżąco dane zdrowotne. Technologie przetwarzania dużych zbiorów danych i algorytmy uczenia maszynowego doprowadzić mogą (i w wybranych przypadkach już tego dokonują) do wielu odkryć jak też dostarczyć szybkiej i zindywidualizowanej informacji zwrotnej – diagnozy, bez konieczności wizyty u lekarza.

Medycyna precyzyjna (precision medicine) to kolejny kierunek rozwojowy w zakresie leczenia chorób jak i prewencji, który opiera się na wykorzystaniu wiedzy o indywidualnych uwarunkowaniach genetycznych, znajomości otoczenia, środowiska w którym żyje dana osoba oraz jej stylu życia. Medycyna precyzyjna pozwoli lekarzom i badaczom lepiej przewidzieć, jakie strategie leczenia i zapobiegania danej chorobie będą skutecznie działać w jakich grupach osób.

Ponieważ wiele odpowiedzi znajduje się w ogromnej ilości danych medycznych już zebranych jest to również obszar, gdzie technologie przetwarzania dużych zbiorów danych i uczenia maszynowego znajdują idealne zastosowanie. Przykładem startupu który może się już pochwalić pewnymi osiągnięciami jest Ayasdi, który oferuje szpitalom platformę technologiczną wspomagającą analizę danych i wykorzystującą algorytmy takie jak głębokie uczenie się. Wykorzystując to podejście lekarze zdołali odkryć nieznane dotychczas podtypy cukrzycy, co z kolei może prowadzić do bardziej celowanych terapii. Inny startup, Enlitic, wykorzystuje analogiczne podejście do bardziej precyzyjnego wykrywania nowotworów na zdjęciach radiologicznych, a efekty analizy mogą przyczynić się do postępów w pracach nad leczeniem raka.

Finanse

Sztuczna inteligencja, technologie Big Data oraz uczenie maszynowe stają się coraz ważniejszymi elementami decydującymi o przyszłości rynku usług finansowych. W tym przypadku również mamy do czynienia ze znacznym potencjałem wynikającym z ogromnych ilości danych finansowych generowanych każdego dnia (rynki kapitałowe, finanse spółek, transakcje na rynku walutowym, transakcje konsumenckie np. kartami płatniczymi etc.), wysokim uzyskiem jaki może być osiągnięty dzięki automatyzacji pewnych procesów analitycznych, oraz możliwościami wynikającymi z analizy setek jeśli nie tysięcy powiązań pomiędzy tymi danymi jak i danymi tylko pośrednio związanymi z dziedziną finansów, jak np. media społecznościowe.

Jeśli chodzi o doradztwo finansowe to w niedalekiej przyszłości doradcy finansowi w postaci opartych o algorytmy sztucznej inteligencji programów (tzw. botów) zaczną zastępować doradców etatowych, ludzi. Już w ubiegłym roku ING ogłosił plan redukcji 5,8 tys. etatów, dzięki czemu oczekiwał oszczędności ok. 1 mld USD rocznie i zastąpienia wykonywanych dotychczas przez pracowników prac zautomatyzowanymi procesami w ramach transformacji cyfrowej. Dostępne technologie przetwarzania i analizy danych pozwalają na analizę dziesiątek tysięcy spółek notowanych na giełdach niemal w czasie rzeczywistym i przedstawienie rekomendacji klientowi zgodnie z zadanymi kryteriami. Co więcej, algorytm może przeanalizować posty klienta w mediach społecznościowych, dokonać analizy sentymentu, określić na tej podstawie poziom tolerancji ryzyka i preferencje klienta. Następnie algorytm może monitorować profil osobisty klienta pod kątem zmian, jak również stan rynków kapitałowych i na tej podstawie dostosowywać portfel w czasie rzeczywistym.

W niniejszym artykule nie poruszamy nawet tematu tzw. handlu wysokiej częstotliwości (HFTHigh Frequency Trading), obejmującego technologie i algorytmy pozwalające na dokonywanie transakcji na giełdzie w ciągu nanosekund, podejmując w tym czasie decyzje na w oparciu o analizę setek, jeśli nie tysięcy punktów danych. Ten temat stanowi osobną, rozległą dziedziną zaawansowanych technologii finansowych.

Ubezpieczenia

Personalizacja i automatyzacja obsługi ubezpieczeń tak w zakresie prognozy stawki jak i ustalania należnych odszkodowań z wykorzystaniem sztucznej inteligencji i analiz dużych zbiorów danych to już nie tyle przyszłość ubezpieczeń, ile wręcz teraźniejszość. Jeśli chodzi o ubezpieczenia komunikacyjne to już obecnie niektóre firmy oferują zniżki na polisy w oparciu o dane z urządzenia monitorującego jazdę samochodem, które klient zgadza się w nim umieścić. Na podstawie zebranych danych można ocenić styl jazdy oraz ocenić ryzyko spowodowania stłuczki bądź wypadku.

Powyższy trend nie ogranicza się tylko do ubezpieczeń komunikacyjnych. Również ubezpieczenia osobowe (zdrowotne, na życie) korzystają z możliwości zbierania danych, w tym przypadku zdrowotnych, poprzez urządzenia diagnostyczne noszone przez określony czas przez klientów. Jeśli klient podda się badaniu a zebrane dane odnośnie tętna, ciśnienia krwi, oddechu, pracy serca, poziom aktywności ruchowej będą wskazywać na dobry stan zdrowia oraz prowadzenie zdrowego trybu życia, klient może liczyć na preferencyjne, korzystne warunki ubezpieczenia.

Jeśli mowa o ubezpieczeniach komunikacyjnych to warto wspomnieć o tym, jak bardzo branżę ubezpieczeń może zmienić rozwój pojazdów autonomicznych. Z jednej strony brak czynnika ludzkiego a z drugiej ogromna ilość dostępnych danych doprowadzą zarówno do ewolucji rodzaju ubezpieczeń (czy będzie potrzebne OC i w jakim zakresie?) jak i automatyzacji spraw odszkodowawczych, dzięki zaawansowanej analizie dostępnych danych modelom predykcyjnym.

Również ubezpieczenia majątkowe czeka ewolucja dzięki technologiom sensorycznych i przetwarzaniu dużych zbiorów danych. W oparciu o dane z monitoringu domu czy upraw rolnych oraz dostępnych danych pogodowych będzie można nie tylko ustalić czy i w jakim zakresie należy się odszkodowanie, ale również zautomatyzować rozliczenie, co pozwoli wyeliminować konieczność zatrudnienia agentów terenowych.

Cyberbezpieczeństwo

Opublikowany we wrześniu najnowszy raport na temat światowego poziomu incydentów cyberbezpieczeństwa (Breach Level Index) identyfikuje 918 incydentów tylko w pierwszej połowie 2017 roku, które doprowadziły do wycieku ponad 1.9 mld rekordów danych, co daje wzrost o 164% w stosunku do 2 połowy roku 2016. Wpływ i potencjalne implikacje tyko kilku z tych ataków, takich jak inspirowane przez obce rządy próby ingerencji w wybory prezydenckie w USA, może naprawdę porażać.

Zespoły ds. cyberbezpieczeństwa starają się dzisiaj jak najefektywniej radzić sobie z lawinowo rosnącą liczbą alertów bezpieczeństwa generowanych przez tradycyjne narzędzia monitorowania. Zdolność do samodzielnego uczenia i udoskonalania jak również automatyzacja, które umożliwiają rozwiązania wykorzystujące algorytmy sztucznej inteligencji, uczenia maszynowego oraz analizy danych pozwalają na zwiększenie skuteczności, obniżenie kosztów – zarówno w zakresie dużych przedsięwzięć jak ochrona przed terroryzmem (cyberterroryzmem) jak i tych na mniejszą skalę jak ochrona przed kradzieżą tożsamości.

Dostępne już na rynku rozwiązania oparte na technologii AI mogą działać w sposób bardziej proaktywny i mogą zapobiegać atakom a nie tylko je wykrywać, identyfikując wzorce i anomalie związane z złośliwą treścią. Firma SecureWorks wykorzystuje możliwości predykcyjne sztucznej inteligencji do zaawansowanego wykrywania zagrożeń w skali globalnej. SiftScience, Cylance czy Deep Instinct wykorzystują analogiczne technologie do zapobiegania oszustwom oraz do zapewnienia bezpieczeństwa urządzeń końcowych, takich jak smartfony i laptopy. Technologie te znacznie zwiększą zakres i skalę działań, jakie podejmować będą specjaliści ds. cyberbezpieczeństwa i pozwolą im przewidywać i przeciwdziałać groźbom ataku zanim zagrożenie stanie się faktem – co jest naczelnym celem cyberbezpieczeństwa.

Chmura w Polsce: Dołącz do nas